Qwen-Image - 阿里通义千问开源的文生图模型

发布于 2025-08-05 · Qwen-Image 是阿里通义千问团队开源的 20B 参数MMDiT模型，是通义千问系列中首个图像生成基础模型，模型在复杂文本渲染和精确图像编辑方面表现出色，支持多行布局、段落级文本生成及细粒度细节呈现，中英文都能实现高保真输出。

Qwen-Image是什么

Qwen-Image 是阿里通义千问团队开源的 20B 参数 MMDiT 模型，也是通义千问系列里首个图像生成基础模型。它在复杂文本渲染和精确图像编辑上表现突出，支持多行布局、段落级文本生成和细粒度细节呈现，中英文都能做到高保真输出。通用图像生成和编辑任务里，多种艺术风格和高级编辑操作也都支持。现在可以在 Qwen Chat 里用图像生成功能体验它的效果。

最新开源的 Qwen-Image-2512 图像生成模型，人物肌肤质感、自然纹理还原和复杂文字渲染都有明显提升。给一句文字指令，就能生成“零AI味”的高质量图片，人物发丝清晰可见，接近专业摄影师拍出来的真实照片。漫画风格的 PPT、数据信息图这类复杂图像也能流畅生成，专业设计场景里的多种需求基本能覆盖。

Qwen-Image的主要功能

复杂文本渲染：多行和段落文本都能生成，细小文字也清晰，中英文渲染都擅长。
精确图像编辑：风格迁移、对象增删改、细节增强、文字编辑、人物姿态调整都支持，改完画面依然自然。
通用图像生成：多种艺术风格可选，按用户描述生成创意图像。

Qwen-Image的技术原理

模型架构：文本特征提取用的是多模态大语言模型（MLLM），能把文本语义理解到位，再转成图像生成需要的特征。变分自编码器（VAE）把输入图像编码成紧凑的潜在表示，推理阶段再解码，图像处理和生成效率因此提高。核心是多模态扩散变换器（MMDiT），靠逐步去噪生成图像，文本特征在其中起引导作用，生成的画面和描述保持一致。
数据处理：先做大规模数据收集和标注，数据集覆盖自然、设计、人物和合成数据。再走多阶段过滤，把低质量或不符合要求的样本逐步剔掉，数据的质量和多样性都有保证。
训练策略：训练时用流匹配（Flow Matching）作为预训练目标，普通微分方程（ODE）负责稳定的训练动态，同时保持与最大似然目标的等价性。文本到图像（T2I）、图像到图像（I2I）、文本图像到图像（TI2I）几种任务放在一起训练，共享潜在空间，多任务学习由此实现。

Qwen-Image的性能表现

总体性能表现：
- 多基准测试领先：在多个公开基准测试里拿到 12 项最佳表现（SOTA），图像生成和编辑两个方向的竞争力都不弱。
- 超越头部模型：通用图像生成测试（GenEval、DPG、OneIG-Bench）和图像编辑测试（GEdit、ImgEdit、GSO）里，Qwen-Image 超过了 Flux.1、BAGEL 等开源模型，也超过了字节跳动的 SeedDream 3.0、OpenAI 的 GPT Image 1（High）等闭源模型。生成质量和编辑能力都到了比较高的水平。
文本渲染能力表现：
- 文本渲染基准测试：LongText-Bench、ChineseWord、TextCraft 这些基准里，Qwen-Image 的表现都比较突出，中文文本渲染尤其明显，领先 SeedDream 3.0、GPT Image 1（High）这类现有最先进模型一大截。
- 中文文本渲染优势：中文文本渲染是它的长项，语言理解、字体生成、排版几处都做了针对性优化，中文的复杂和多样也能接住。

如何使用Qwen-Image

访问 QwenChat：访问 Qwen Chat 官方网站。
选择图像生成功能：在 QwenChat 界面里找到“图像生成”，选中它。
输入文本提示：在输入框里写清楚想生成什么。
生成图像：点“生成”，Qwen-Image 就按提示词出图。
查看和下载生成的图像：生成的图会显示在界面上，看过效果满意就下载到本地。

Qwen-Image的项目地址

GitHub仓库：https://github.com/QwenLM/Qwen-Image
HuggingFace模型库：https://huggingface.co/Qwen/Qwen-Image
- Qwen-Image-2512：https://huggingface.co/Qwen/Qwen-Image-2512
技术论文：https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-Image/Qwen_Image.pdf
在线体验Demo：https://huggingface.co/spaces/Qwen/Qwen-Image